Intelligence artificielle et apprentissage machine 6G

Même si l'intelligence artificielle est l'une des dix principales zones de recherche de la 6G, elle n'est pas une zone de recherche autonome. Elle intervient cependant toujours dans les autres secteurs, comme la MIMO massive sans cellule, la communication full-duplex et les surfaces de réflexion intelligentes. La performance de chaque exemple simple peut être améliorée par gestion des données, des systèmes entraînés dans des réseaux 6G, augmentant l'efficacité énergétique et par conséquent également la durabilité en même temps. L'utilisation de modèles d'apprentissage machine entraînés pour des tâches de traitement de signaux telles que l'estimation du canal, l'égalisation et la démodulation optimiseront l'interface sans fil comparée aux réseaux 4G LTE et 5G NR actuels.

Rohde & Schwarz Prend en charge les activités de recherche à travers l'Europe, l'Asie et aux US et travaille comme partenaire de projets tels que 6G-Access, Network of Networks, Automation & Simplification (6G-ANNA) lighthouse project. Ce projet vise à développer une conception pour la 6G qui intègre une architecture du début à la fin et simplifie l'interaction entre les humains, la technologie, et l'environnement en utilisant de nouveaux capteurs et algorithmes pour détecter les mouvements humains.

Votre défi IA pour les réseaux 6G

La mise en place d'une interface sans fil native IA pour les réseaux 6G signifie le remplacement des blocs dans la chaîne de traitement du signal sur la couche physique, avec des modèles d'apprentissage machine entraînés. La première étape dans ce processus est de remplacer les blocs de traitement individuels mais finalement combiner des tâches qui s'intègrent logiquement dans un modèle d'apprentissage machine entraîné. De telles tâches sont l'estimation du canal, l'égalisation du canal et la démodulation. Ces tâches sont combinées et remplacées avec un seul modèle ML entraîné appelé récepteur neuronal.

Cependant, le traitement du signal pour les interfaces sans fil 6G est juste une zone où l'utilisation du AM peut fournir un avantage. La linéarisation des amplificateurs de puissance ou le terminal RF entier utilisé sont d'autres zones dans les appareils mobiles et les stations de base d'aujourd'hui. L'IA ou ML peuvent être appliqués à la 6G pour l'interface sans fil et le terminal RF au cours de plusieurs phases différentes :

Phase 1 : Initialement, le ML peut remplacer des modèles de linéarisation basés sur des algorithmes logiciels d'aujourd'hui par des amplificateurs de puissance avec ML. La recherche a déjà débuté dans ce domaine en 2020 et est principalement menée par des universités. Cependant, les principaux intervenants industriels ont également mené des études à ce sujet. Ce processus doit également être appliqué au terminal RF en entier (= système d'antennes et émetteur / récepteur).

L'accessibilité aux données est un défi clair lorsqu'il s'agit d'intelligence artificielle pour la 6G. Cela est dû au fait que l'accès aux ensembles de données est nécessaire pour former un réseau neuronal. Le terminal RF est généralement conçu par un vendeur. Cela signifie que toutes les données nécessaires pour la formation de réseaux neuronaux sont entre les mains d'un seul vendeur – facilitant la réalisation de cette phase.

Phase 2 : Cette phase se concentre sur les aspects du récepteur, appliquant le concept d'un récepteur neuronal, en remplaçant les blocs de traitement du signal tel que l'estimation du canal, l'égalisation du canal et la démodulation avec un modèle ML entraîné.

Phase 3 : C'est ici que l'optimisation du début à la fin (E2E) intervient. L'AM est utilisé pour conjointement optimiser le traitement en bande de base, TX et RX. L'objectif ultime au cours de cette phase est d'adapter la transmission à l'application sous-jacente (appel vocal, navigation web, XR, etc.) et le scénario de déploiement de l'impact du canal de transmission avec des conceptions ML faisant partie de la 6G PHY / MAC elle-même. Une première étape vers l'apprentissage E2E est le remplacement du mappeur de modulation par une constellation personnalisée entraînée, qui s'adapte parfaitement aux imperfections de l'émetteur / récepteur, du récepteur et à l'impact du canal sans fil. Des modulations personnalisées permettent une transmission sans pilote et donc d'autres améliorations de la performance du système global.

De telles implémentations de couches physiques hautement adaptatives nécessitent une vérification approfondie avant le déploiement terrain. Cette vérification nécessite des modèles fonctionnant de manière fiable – même dans des conditions rarement observées sur le terrain. Cependant, des modèles IA/ ML entraînés sont uniquement aussi bons que les données d'entraînement avec lesquelles ils ont été entraînés. C'est là que la gestion du cycle de vie du modèle IA/ML (par exemple l'entraînement modèle, la sélection, l'échange, l'activation et la surveillance) entre en jeu, car une collaboration fréquente entre les appareils utilisateur et le réseau / station de base est attendu. Le test et mesure doit vérifier l'interopérabilité fluide entre les composants provenant de différents vendeurs.